Este trabalho tem como objetivo o levantamento e análise de fatores intervenientes na capacidade de processamento de veículos em cabines de praças de pedágio com o recolhimento manual de tarifas. Buscando o entendimento de como estes fatores interferem nos tempos de atendimento nas cabines foi realizada uma análise estatística e posterior modelagem, que utilizou redes neurais artificiais. Redes neurais artificiais são úteis no entendimento de problemas com alto grau de complexidade, que agregam diversas variáveis de entrada com relações não-lineares entre si. As variáveis de entrada escolhidas para a modelagem foram forma de pagamento, intensidade de fluxo, valor das tarifas e classes de veículos. A variável de saída foi o tempo de atendimento nas cabines de cobrança de pedágios. Foram obtidos três modelos que buscaram refletir a variação dos tempos de atendimento para um mesmo conjunto de dados de entrada: Modelo de Tempos Mínimos de Atendimento; Modelo de 85° Percentil de Tempos de Atendimento, e; Modelo de Tempos Máximos de Atendimento. As análises de sensibilidade dos modelos indicaram que tempos de atendimento são fortemente influenciados pelo fluxo de veículos nas praças. Quanto mais intenso o fluxo de veículos, tempos mínimos de atendimento tendem a sofrer leve aumento, indicando pequena perda de rendimento do processo. Perda de rendimento pode ser resultado de (i) necessidade de digitação das placas de licença dos veículos no sistema operacional das praças-dificuldade de visualização das mesmas em situação de filas, e (ii) desgaste físico dos arrecadadores. O desgaste físico dos arrecadadores também se apresenta como provável causa para o aumento de tempos mínimos de atendimento para fluxos altos. Quanto mais intenso o fluxo de veículos, menores são os tempos máximos de atendimento. Quanto maior o fluxo de veículos nas praças, as modelagens indicam uma maior estabilidade do sistema com relação ao processamento de veículos.

Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-01-27T17:25:47Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese Adenilton José da Silva.pdf: 4885126 bytes, checksum: d2bade12d15d6626962f244aebd5678d (MD5) / Made available in DSpace on 2016-01-27T17:25:47Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese Adenilton José da Silva.pdf: 4885126 bytes, checksum: d2bade12d15d6626962f244aebd5678d (MD5) Previous issue date: 2015-06-26 / CNPq / Miniaturisation of computers components is taking us from classical to quantum physics domain. Further reduction in computer components size eventually will lead to the development of computer systems whose components will be on such a small scale that quantum physics intrinsic properties must be taken into account. The expression quantum computation and a first formal model of a quantum computer were first employed in the eighties. With the discovery of a quantum algorithm for factoring exponentially faster than any known classical algorithm in 1997, quantum computing began to attract industry investments for the development of a quantum computer and the design of novel quantum algorithms. For instance, the development of learning algorithms for neural networks. Some artificial neural networks models can simulate an universal Turing machine, and together with learning capabilities have numerous applications in real life problems. One limitation of artificial neural networks is the lack of an efficient algorithm to determine its optimal architecture. The main objective of this work is to verify whether we can obtain some advantage with the use of quantum computation techniques in a neural network learning and architecture selection procedure. We propose a quantum neural network, named quantum perceptron over a field (QPF). QPF is a direct generalisation of a classical perceptron which addresses some drawbacks found in previous models for quantum perceptrons. We also present a learning algorithm named Superposition based Architecture Learning algorithm (SAL) that optimises the neural network weights and architectures. SAL searches for the best architecture in a finite set of neural network architectures and neural networks parameters in linear time over the number of examples in the training set. SAL is the first quantum learning algorithm to determine neural network architectures in linear time. This speedup is obtained by the use of quantum parallelism and a non linear quantum operator. / A miniaturização dos componentes dos computadores está nos levando dos domínios da física clássica aos domínios da física quântica. Futuras reduções nos componentes dos computadores eventualmente levará ao desenvolvimento de computadores cujos componentes estarão em uma escala em que efeitos intrínsecos da física quântica deverão ser considerados. O termo computação quântica e um primeiro modelo formal de computação quântica foram definidos na década de 80. Com a descoberta no ano de 1997 de um algoritmo quântico para fatoração exponencialmente mais rápido do que qualquer algoritmo clássico conhecido a computação quântica passou a atrair investimentos de diversas empresas para a construção de um computador quântico e para o desenvolvimento de algoritmos quânticos. Por exemplo, o desenvolvimento de algoritmos de aprendizado para redes neurais. Alguns modelos de Redes Neurais Artificiais podem ser utilizados para simular uma máquina de Turing universal. Devido a sua capacidade de aprendizado, existem aplicações de redes neurais artificiais nas mais diversas áreas do conhecimento. Uma das limitações das redes neurais artificiais é a inexistência de um algoritmo com custo polinomial para determinar a melhor arquitetura de uma rede neural. Este trabalho tem como objetivo principal verificar se é possível obter alguma vantagem no uso da computação quântica no processo de seleção de arquiteturas de uma rede neural. Um modelo de rede neural quântica denominado perceptron quântico sobre um corpo foi proposto. O perceptron quântico sobre um corpo é uma generalização direta de um perceptron clássico que resolve algumas das limitações em modelos de redes neurais quânticas previamente propostos. Um algoritmo de aprendizado denominado algoritmo de aprendizado de arquitetura baseado no princípio da superposição que otimiza pesos e arquitetura de uma rede neural simultaneamente é apresentado. O algoritmo proposto possui custo linear e determina a melhor arquitetura em um conjunto finito de arquiteturas e os parâmetros da rede neural. O algoritmo de aprendizado proposto é o primeiro algoritmo quântico para determinar a arquitetura de uma rede neural com custo linear. O custo linear é obtido pelo uso do paralelismo quântico e de um operador quântico não linear.

Made available in DSpace on 2014-06-12T15:57:48Z (GMT). No. of bitstreams: 2 arquivo3227_1.pdf: 3806078 bytes, checksum: 98b2a595ab3f4ffaa9e04f162fcf2a8e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Em muitas tarefas a máquina é mais eficiente do que o ser humano, sendo capaz de realizar com precisão e rapidez: operações matemáticas, armazenamento de dados, pesquisa textual, entre muitas outras tarefas. Porém, tarefas simples para o ser humano como o reconhecimento da face de uma pessoa, são extremamente complexas para a computação tradicional realizar. A busca por algoritmos que possuam alguma forma de inteligência similar a modelos biológicos (principalmente o modelo dos seres humanos), há décadas inspira e influencia vários pesquisadores. Uma das maiores áreas da Inteligência Computacional é a das Redes Neurais Artificiais, inspiradas na redes neurais biológicas, que são compostas por neurônios e conexões sinápticas. As redes neurais modulares se utilizam das vantagens da modularização para superarem de alguma forma as redes não modulares. Elas buscam minimizar as diferenças entre as redes naturais e artificiais. Uma rede modular é um conjunto independente de redes neurais monolíticas trabalhando em conjunto para solucionar um problema. Um dos maiores desafios na construção de redes modulares é a decomposição do problema em problemas mais simples. Este trabalho propõe novas técnicas para melhorar o desempenho de redes neurais modulares baseadas na similaridade entre classes. Entende-se por desempenho o grau de acertividade e/ou a velocidade de treinamento do modelo. Foram propostos métodos que influenciam etapas distintas da construção de uma rede modular. Duas das propostas buscam otimizar a decomposição do problema, permitindo a criação dos módulos, através da matriz de confusão desse problema. Uma terceira proposta visa a obtenção de uma composição, ou arquitetura, de módulos que melhore o desempenho do modelo

Made available in DSpace on 2014-06-12T15:58:31Z (GMT). No. of bitstreams: 2 arquivo4638_1.pdf: 5130002 bytes, checksum: 6fce9704d608c04ee17fdca0537c4f2e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / As Redes Neurais Artificiais (RNA) têm sido utilizadas com sucesso em tarefas como mapeamento de funções complexas e reconhecimento de padrões. Este sucesso é resultado da habilidade das RNA em realizar cálculos com dados complexos ou imprecisos, aprender a partir de exemplos, generalizar a informação aprendida, extrair padrões e descobrir tendências. Apesar destas vantagens, geralmente não é muito fácil obter explicações de como uma RNA representa a solução de um problema. Devido a esta limitação, as RNA têm sido consideradas inadequadas para serem utilizadas em aplicações de KDD (Knowledge Discovery in Databases) em que o usuário deseja saber o raciocínio usado pela rede para obter uma dada conclusão. Sistemas Híbridos Inteligentes (SHI) é uma abordagem de Inteligência Artificial que vem sendo bastante utilizada na resolução de problemas onde o emprego de uma única técnica não é suficiente para obter resultados satisfatórios. Tais sistemas se inspiram na integração de duas ou mais técnicas inteligentes com o intuito de suprir as limitações de cada técnica. A disseminação dos SHI tem contribuído para a emergência dos Sistemas Neurais Híbridos (SNH). O principal foco de pesquisa em SNH tem sido a integração de RNA, técnica fortemente baseada em dados, com técnicas que utilizam representação simbólica, como Lógica Fuzzy e algoritmos simbólicos convencionais. Os Sistemas Neuro-Fuzzy são um exemplo de SNH que combinam sistemas conexionistas com sistemas fuzzy. Nestes sistemas é aplicado algum método de extração de regras que permite a representação do conhecimento incorporado pela rede numa forma compreensível. Além das técnicas de extração de conhecimento simbólico associadas aos Sistemas Neuro-Fuzzy, diversas técnicas têm sido propostas para outros modelos neurais. Esta dissertação tem como principais objetivos investigar o paradigma dos Sistemas Neuro-Fuzzy e as técnicas de extração de conhecimento simbólico de RNA como uma opção para tornar as RNA mais adequadas ao processo de KDD; e, como resultado da investigação, modelar e implementar uma ferramenta de software, a Neural Mining, baseada na abordagem neural híbrida. A ferramenta Neural Mining integra, em um único ambiente, o modelo Perceptron Multicamadas (Multilayer Perceptron - MLP); os modelos neuro-fuzzy FWD (Feature-Weighted Detector) e FuNN (Fuzzy Neural Network), juntamente com suas técnicas de extração de regras; e a técnica TREPAN (Trees Parroting Networks), que representa o conhecimento incorporado por uma RNA na forma de uma árvore de decisão. Os modelos e técnicas são avaliados e comparados com relação à capacidade de generalização e compreensibilidade do conhecimento extraído. Além da análise nas etapas de mineração de dados e apresentação do conhecimento, também são investigadas duas técnicas de seleção de atributos: a técnica do modelo FWD e através da árvore de decisão gerada por TREPAN. A investigação experimental é realizada usando uma base de dados de um problema real e de larga escala no domínio de análise de crédito ao consumidor. Como os resultados obtidos demonstram que os ganhos decorrentes do uso de modelos neuro-fuzzy e técnicas de extração de conhecimento simbólico de RNA são bastante significativos, ao final da investigação, considerando as vantagens de cada modelo e técnica, são propostas duas soluções neurais híbridas para o processo de KDD

Made available in DSpace on 2014-06-12T15:58:49Z (GMT). No. of bitstreams: 2 arquivo4719_1.pdf: 676732 bytes, checksum: 49d0c3f980e3fb50bb7e6c70f248211d (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / Nas Redes Neurais Sem Peso (RNSP), o padrão de conectividade dos nós desempenha um papel fundamental, pois é diretamente responsável pela performance da rede, determinando o custo computacional, a eficiência, a velocidade, a tolerância a falhas e ruídos e a capacidade de generalização. Porém, apesar de sua importância, de um modo geral, o padrão de conectividade é escolhido empiricamente, por meio de um método manual de tentativas e erros ou com a ajuda de um especialista, o que nem sempre é viável. Por outro lado, essa escolha do melhor padrão de conectividade pode ser visto como um problema de otimização, no qual cada rede é um ponto no espaço de soluções possíveis. Portanto, vários métodos de otimização, principalmente os métodos globais de otimização, têm sido propostos para automatização da geração do padrão de conectividade. Esses métodos fazem busca no espaço global, evitando cair em soluções de mínimos locais. Nesse contexto, uma das principais contribuições desta dissertação é um estudo experimental sobre o uso de métodos de otimização global, tais como Algoritmos Genéticos, Simulated Annealing e Tabu Search, aplicados à escolha do padrão de conectividade das RNSPs. Os resultados obtidos com esses métodos, junto com aqueles baseados na escolha empírica, são avaliados no contexto de um problema de classificação de caracteres numéricos manuscritos, em que testes de hipótese são aplicados. Por exemplo, o uso de Tabu Search conseguiu diminuir em 17,27% o erro médio de classificação obtido inicialmente com o método de escolha empírica. Em outro experimento, o uso de algoritmos genéticos conseguiu diminuir em 89% o uso de memória alocada, com erros médios de classificação menores que os obtidos inicialmente, pelo método baseado na escolha empírica

Made available in DSpace on 2014-06-12T15:58:50Z (GMT). No. of bitstreams: 2 arquivo4731_1.pdf: 619591 bytes, checksum: ee2b5c5d8be35ac18eb8d163b05f0c3a (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / O principal objetivo desta dissertação é fazer um estudo sistemático sobre os diversos tipos de redes neurais artificiais (e seus respectivos algoritmos de aprendizagem) que vêm sendo utilizados na implementação do sistema de reconhecimento de padrões do nariz artificial proposto em [Santos, 2000], apontando suas vantagens e desvantagens. Os modelos analisados são as Multi-layer Perceptrons (MLPs) com o backpropagation, Levenberg-Marquardt e tabu search, e as redes de funções de base radiais (Redes RBF). Também serão investigadas as MLPs com o Resilient backpropagation (Rprop). O algoritmo Rprop foi escolhido por duas razões principais: em geral ele possui um tempo de convergência inferior ao tradicional backpropagation, e até o momento não existe na literatura nenhum trabalho que aplique este algoritmo (junto com as MLPs) como parte do sistema de reconhecimento de padrões do nariz artificial estudado. Para cada modelo de arquitetura (por exemplo, MLP) e algoritmo de treinamento (por exemplo, backpropagation) três topologias diferentes serão investigadas. Para cada uma destas topologias serão feitas trinta inicializações de pesos diferentes (aleatórias), em que cada uma destas inicializações será executada com cada uma das três diferentes partições do conjunto de dados. A partir disto, os resultados obtidos serão analisados através de testes estatísticos (teste de hipóteses). Isto tudo contrasta com os trabalhos anteriores, os quais usavam apenas uma partição dos dados, somente dez execuções para cada topologia, e nenhum teste estatístico era feito

Made available in DSpace on 2014-06-12T15:58:51Z (GMT). No. of bitstreams: 2 arquivo4734_1.pdf: 845652 bytes, checksum: 39cdc23c4b42d0db06c848dfa8f0e2cc (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / As redes neurais artificiais vêm sendo consideradas uma tecnologia consolidada e muito aplicada no reconhecimento de padrões. Vários modelos têm sido propostos e investigados para o reconhecimento de padrões, e muitos desses modelos são amplamente aceitos. Dentre esses modelos, estão o Multilayer Perceptron - MLP, as redes Booleanas e as Redes de Função Base Radial - RBF, embora existam muitos outros. Neste trabalho, foram feitos vários experimentos utilizando as redes RBF e MLP, com as substâncias: butano, etano, metano, propano e monóxido de carbono, e ainda a aguarrás, um refino do petróleo, com diferentes níveis de contaminação. Nos experimentos realizados foram aplicadas três técnicas de pré-processamento e a normalização dos dados para verificar o desempenho dessas redes no reconhecimento de padrões de odores com as substâncias citadas anteriormente. Após a realização desses experimentos observamos que a técnica de préprocessamento da mudança fracional com a normalização do sensor foi a que se destacou com o modelo MLP. Os experimentos foram realizados objetivando, também, analisar a forma dinâmica e estática de aquisição do sinal, demonstrando diferenças nos resultados conforme o tipo de aquisição. Foram testados três grupos de sensores e observamos que existem diferenças entre os resultados desses grupos. Vimos, ainda que um grupo de sensores pode apresentar resultados melhores conforme o tipo de aquisição, estática ou dinâmica. Diante dos resultados obtidos podemos afirmar que o uso de redes neurais é adequado para trabalhar com o reconhecimento de odores dessas substâncias

Made available in DSpace on 2014-06-12T15:59:10Z (GMT). No. of bitstreams: 2 arquivo4926_1.pdf: 315649 bytes, checksum: 553e09d0e80e43b0ca2856dd4be49858 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2001 / As Redes Neurais Artificiais (RNAs) têm sido aplicadas com sucesso em uma diversidade de problemas do mundo real. Contudo, o sucesso dessas redes para um determinado problema depende muito de um projeto bem realizado. O projeto de redes neurais envolve a definição de vários parâmetros, como, por exemplo, o tipo de rede, a arquitetura, o algoritmo de treinamento utilizado, os parâmetros de treinamento, os critérios de parada, dentre outros. A automatização (total ou parcial) do projeto de RNAs tem como objetivos principais tornar o desempenho das redes menos sensível a decisões erradas de um desenvolvedor inexperiente, além de torná-las acessíveis a usuários nãoespecialistas em redes neurais. Como solução para o problema da automatização, investigamos o uso de técnicas de Inteligência Artificial que, quando integradas com as redes neurais, resultam em Sistemas Neurais Híbridos (SNHs). Nessa dissertação, apresentamos duas aplicações desses Sistemas Híbridos para a previsão de séries temporais, um problema de relevância fundamental em muitos domínios do mundo real. Primeiramente, propomos um modelo de automatização integrando o Raciocínio Baseado em Casos (RBC) e os Algoritmos Genéticos (AGs). No nosso modelo, o sistema de RBC mantém uma base de casos em que cada caso armazena a descrição de um problema resolvido com redes neurais e a solução aplicada. Diante de um novo problema, uma consulta é feita à base de casos, recuperando as soluções usadas nos problemas mais similares. Essas soluções são inseridas na população inicial dos AGs, que são responsáveis por adaptá-las. Após a execução dos AGs, a solução final poderá ser inserida na base de casos, para auxiliar a solução de problemas futuros. Como estudo de caso, aplicamos o modelo proposto para a otimização da arquitetura de modelos neurais de previsão. As redes geradas pelo modelo apresentaram maior poder de generalização, além de um número menor de conexões de rede. Na segunda aplicação de SNHs, investigamos o uso dos Algoritmos Genéticos durante o aprendizado dos pesos de uma rede neural usada para a previsão de vazões em uma bacia hidrográfica. Nessa aplicação, os AGs foram usados para definir os pesos iniciais da rede para o algoritmo de Levenberg-Marquardt, formando assim um algoritmo de treinamento híbrido. O uso dos AGs aumentou o desempenho do aprendizado, principalmente em relação ao tempo de treinamento. Nessa dissertação, apresentamos as vantagens e limitações dos dois SNHs desenvolvidos, além de indicações de trabalhos futuros.

Made available in DSpace on 2014-06-12T15:59:56Z (GMT). No. of bitstreams: 2 arquivo5807_1.pdf: 6535979 bytes, checksum: f0b7d3e91a58a935a96a4b9790f84fab (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Este trabalho apresenta a definição de uma arquitetura, baseada em FPGA, para implementação de Redes Neurais (RNAs) MLP. A arquitetura proposta foi projetada observando-se critérios limitantes como grande quantidade de entradas, redução do consumo de área, utilização de pinos, recursos de interconexão e compromisso entre área/desempenho. Um importante resultado é a utilização de log2m adicionadores para uma RNA com m entradas. Uma RNA cuja topologia é 256:10:10 atingiu um speed-up de 36x, comparado com uma implementação convencional em C rodado em um PC. Uma ferramenta de geração automática do código da RNA em linguagem HDL também foi desenvolvida

Made available in DSpace on 2014-06-12T17:17:40Z (GMT). No. of bitstreams: 2 arquivo3654_1.pdf: 955455 bytes, checksum: 581c284435d5aa8b476eaffcb409693d (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Este trabalho trata da aplicabilidade de modelos de previsão de series temporais como ferramenta de decisão de compra e venda de contratos futuros de álcool na BM&F, no período de 15 dias antes do vencimento do contrato. Os modelos estudados são: ARIMA e Redes Neurais. Os dados correspondem a cotação de preços semanais, nos mercados físico e futuro de 2002 a 2006. O objetivo consiste em calcular os retornos médios dos modelos em operações de compra e venda no mercado futuro de álcool no ano de 2006, de forma a poder indicar o potencial e limitação de cada um dos modelos. Os resultados apresentados apresentam retornos financeiros positivos na maioria dos contratos analisados, indicando o potencial de utilização dos mesmos como ferramenta de apoio a tomada de decisão para datas próximas aos vencimentos